金融经济学基础

欢迎阅读 CAIA 第一级的金融经济学基础 (Financial Economics Foundations) 学习笔记。金融经济学连接了量化理论与资产估值的实际应用。本章提供了核心工具机制，用于固定收益证券定价、信用风险建模、使用因子模型进行股票定价，以及通过回归分析与假设检验来评估实证关系。

1. 货币的时间价值、价格与利率

资产估值的基石在于将未来的现金流进行折现以确定其现值。如果在未来时期 \(t\) 收到现金流 \(CF_t\)，则使用适合该期限的即期利率 (Spot Interest Rate) \(r_t\) 来折现其现值：

\(PV = \frac{CF_t}{(1 + r_t)^t}\)

对于一系列现金流，无套利价格是每笔现金流按其相应即期利率（或零息利率）进行折现的总和，而不是在所有期限上使用单一且统一的到期收益率：

\(P = \sum_{t=1}^T \frac{CF_t}{(1 + r_t)^t}\)

折现因子 (Discount Factors)：折现因子 \(d_t\) 代表在时间 \(t\) 收到的 \$1 的现值，其中 \(d_t = \frac{1}{(1 + r_t)^t}\)。无风险债券的价格可以简单写为 \(P = \sum CF_t \times d_t\)。

2. 远期利率 (Forward Interest Rates)

远期利率是在今天约定的利率，适用于在未来某一日期开始并在更后日期到期的贷款或投资。远期利率防止了在跨多个较短时期投资与锁定单一长期即期利率之间的套利行为。

在无套利条件下，以两期即期利率 \(r_2\) 投资两期，其回报必须完全等于以一期即期利率 \(r_1\) 投资一期，然后再转滚至从第 1 年开始的一期远期利率（记为 \(f_{1,1}\)）所得的回报：

\((1 + r_2)^2 = (1 + r_1)(1 + f_{1,1})\)

解出远期利率：

\(f_{1,1} = \frac{(1 + r_2)^2}{1 + r_1} - 1\)

如果实际的远期市场利率与该理论利率存在差异，套利者就会通过以较低利率借款并以较高利率贷出，利用定价偏差进行套利，直到该平衡关系恢复为止。

3. 无套利模型与二叉树模型

无套利模型 (Arbitrage-Free Model) 经过校准，能正确唯一定价所观察到的高流动性市场工具（如基准政府债券或期权），且不允许存在无风险获利机会。

二叉树模型 (Binomial Tree Models)：二叉树将基础变量（例如资产价格或短期利率）在离散步长上的演变过程进行建模。在每个步长中，价值可以按因子 \(u\) 向上移动到“上升状态”，或按因子 \(d\) 向下移动到“下降状态”。

利用风险中性估值 (Risk-Neutral Valuation)，资产的定价方式是获取风险中性概率 \(\pi\) 下的预期未来回报，并以无风险利率 \(r\) 进行折现：

\(P_0 = \frac{\pi V_u + (1 - \pi) V_d}{1 + r}\)

其中向上移动的风险中性概率为：

\(\pi = \frac{(1 + r) - d}{u - d}\)

在固定收益二叉树中，利率沿着节点演变，通过从到期日向后倒推至零时刻，可以对包含内嵌期权的债券（如可赎回或可回售债务）进行估值。

4. 单因子无违约债券模型

为了理解利率的期限结构，单因子期限结构模型假设收益率曲线的所有变动均由一个底层状态变量驱动：即时短期利率 \(r\)。

单因子模型的主要特征包括：

- 漂移项与波动率 (Drift and Volatility)：短期利率根据漂移项（预期路径）和随机扩散项（波动率）演变。
- 均值回归 (Mean Reversion)：许多模型纳入了均值回归特征，即利率随时间推移会被拉回到长期均衡水平。
- 收益率曲线形状 (Yield Curve Shapes)：单因子模型根据当前短期利率相对于其长期均值和市场风险溢价的情况，生成向上倾斜、向下倾斜或驼峰状的收益率曲线。

5. 信用风险的简约模型 (Reduced-Form Modelling)

信用风险估值区分了两种主要的建模方法：结构化模型 (Structural Models) 与简约模型 (Reduced-Form Models)。

- 结构化模型：将违约视为内生事件，当公司的资产价值跌破其债务责任（违约门槛）时发生。
- 简约模型：将违约视为外生的、不可预测的跳跃，由风险率 (Hazard Rate)或违约强度 \(\lambda\) 控制。违约可能会在任何时刻意外发生，即使公司的资产负债表看起来具备偿付能力。

在简约模型架构下，在时间 \(t\) 内的风险中性生存概率约为 \(e^{-\lambda t}\)。预期信用损失同时包含了违约概率与违约损失率 (Loss Given Default, LGD)，其中 \(LGD = 1 - \text{回收率 (Recovery Rate)}\)。风险债券的收益率利差补偿了投资者承担的这项预期损失以及信用风险溢价。

6. 单因子股票定价模型

单因子股票模型将资产回报解释为一个共同宏观因子的函数：市场风险。

资本资产定价模型 (CAPM) 确立了资产的预期回报率 \(E[R_i]\) 仅取决于其系统性风险，由其市场贝塔 \(\beta_i\) 衡量：

\(E[R_i] = R_f + \beta_i (E[R_m] - R_f)\)

其中 \(\beta_i = \frac{Cov(R_i, R_m)}{Var(R_m)}\)。

总风险可分解为两个不同部分：
1. 系统性风险（市场风险）：无法通过分散投资消除的风险。投资者因承担此风险而获得补偿。
2. 非系统性风险（特质风险／个别风险）：可通过投资组合分散化消除的公司特有风险。它不会带来任何预期风险溢价。

7. 回归分析与假设检验

为了实证估算因子风险敞口，分析师使用基于单指数市场模型的普通最小二乘法 (OLS) 回归：

\(R_{i,t} - R_{f,t} = \alpha_i + \beta_i (R_{m,t} - R_{f,t}) + \epsilon_{i,t}\)

其中：
- \(\alpha_i\)（詹森阿尔法，Jensen's Alpha）代表截距，衡量超出市场风险敞口的超额回报。
- \(\beta_i\) 代表资产回报对市场超额回报的敏感度。
- \(\epsilon_{i,t}\) 代表均值为零的残差项。

假设检验 (Hypothesis Testing)

为了检验经理人是否创造了具统计显著性的阿尔法，我们设定：
- 原假设 (\(H_0\))：\(\alpha_i = 0\)（无超额回报）。
- 备择假设 (\(H_a\))：\(\alpha_i \neq 0\)（存在超额回报）。

检验统计量等于估计系数除以其标准误：
\(t = \frac{\hat{\alpha}_i - 0}{SE(\hat{\alpha}_i)}\)

如果 \(t\) 统计量的绝对值超过所选显著性水平的临界值（或者 \(p\) 值小于 \(\alpha_{crit}\)），我们便拒绝原假设。

抽样与检验陷阱

- 第一类错误 (Type I Error)：拒绝了真实的原假设（例如，将纯粹靠运气跑赢大市的经理人误判为具有投资技能）。
- 第二类错误 (Type II Error)：未能拒绝错误的原假设（例如，由于噪声过多或样本量过小，未能识别出真正优秀的经理人）。
- 幸存者偏差 (Survivorship Bias)：样本遗漏了失败或已清盘的基金，从而推高历史回报并扭曲回归估计值。
- 数据窥探与选择性偏差 (Data Snooping and Selection Bias)：在大量模型或子集中进行反复搜寻，直到纯粹偶然发现明显具有显著性的关系。

重点概念总结

- 即期与远期利率：远期利率代表由无套利关系约束的收支平衡借贷利率。
- 二叉树估值：将资产价格路径离散化，并使用风险中性概率向后倒推计算价格。
- 单因子期限结构模型：根据短期利率的随机路径对收益率曲线进行建模。
- 简约信用模型：将违约建模为由风险率驱动的外生泊松到达事件。
- 单因子股票模型：区分了获得补偿的系统性风险 (\(\beta\)) 与可分散的特质风险。
- 回归与假设检验：量化阿尔法与因子敏感度，同时防范第一类错误、第二类错误和样本选择偏差。